迈向空间变异性感知深度神经网络 (SVANN)：结果摘要
计算机视觉与模式识别
2020-11-19 v1 机器学习
摘要
在许多地理现象中均观察到了空间变异性，包括气候带、USDA 植物耐寒性区以及陆地栖息地类型（例如森林、草原、湿地和沙漠）。然而，当前的深度学习方法遵循空间一刀切 (OSFA) 的方式来训练单一深度神经网络模型，未考虑空间变异性。在本工作中，我们提出并研究了一种空间变异性感知深度神经网络 (SVANN) 方法，为每个地理区域构建不同的深度神经网络模型。我们使用两个地理区域的航空影像对该方法进行了评估，任务为城市花园测绘。实验结果表明，在识别城市花园的精确率、召回率和 F1 分数方面，SVANN 比 OSFA 提供了更好的性能。
引用
@article{arxiv.2011.08992,
title = {Towards Spatial Variability Aware Deep Neural Networks (SVANN): A Summary of Results},
author = {Jayant Gupta and Yiqun Xie and Shashi Shekhar},
journal= {arXiv preprint arXiv:2011.08992},
year = {2020}
}
备注
Accepted in 1st ACM SIGKDD Workshop on Deep Learning for Spatiotemporal Data, Applications, and Systems (Deepspatial 2020), San Diego, CA, August 24, 2020